深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
21	2025-12-13	Circulating microRNAs in viral myocarditis: Advancements in biological understanding and potential clinical applications 2026-Jan-10, Gene IF:2.6Q2 DOI:10.1016/j.gene.2025.149866 PMID:41177414	综述	本文系统综述了循环microRNAs在病毒性心肌炎中的生物学作用、临床诊断与治疗应用潜力及局限性	整合了高通量测序、深度学习和人工智能技术，以深入理解循环microRNAs在病毒性心肌炎发病机制中的调控网络作用	作为综述文章，未进行原始实验研究，依赖于现有文献证据，可能存在发表偏倚	为改善病毒性心肌炎的精准诊断和治疗建立理论基础和策略框架	循环microRNAs及其在病毒性心肌炎中的调控网络	自然语言处理	心血管疾病	高通量测序技术	深度学习	文本	NA	NA	NA	NA	NA
22	2025-12-13	Open Lumbar Spine Image Analysis: A 3D Slicer Extension for Segmentation, Grading, and Intervertebral Disc Height Index With Multi-Data Set Validation 2026-Jan-01, Spine IF:2.6Q1 DOI:10.1097/BRS.0000000000005462 PMID:40747922	研究论文	本研究开发了一个名为OLSIA的开放软件，用于腰椎图像分析，实现无代码的腰椎分割、分级和椎间盘高度指数计算，并在多个外部数据集上进行了验证	开发了首个集成深度学习模型的无代码腰椎图像分析软件，支持自动化分割、分级和DHI计算，并在6个不同地理区域的外部数据集上进行了鲁棒性评估	研究主要基于T2加权矢状位切片，可能未涵盖所有腰椎成像模态；尽管在多个数据集中验证，但样本量仍有限	开发一个开放、用户友好的软件工具，以加速腰椎图像的放射组学和分析工作流程	腰椎图像，特别是T2加权矢状位切片中的L1至S1椎体和L1/2至L5/S1椎间盘	数字病理	脊柱疾病	深度学习，图像增强（直方图裁剪、中值滤波、几何缩放）	深度学习模型	医学图像（T2加权MRI切片）	训练使用NFBC1966数据集，外部评估从6个数据集中各采样30名参与者，总计180名外部样本	NA	NA	Dice相似系数，Bland-Altman分析，配对t检验	NA
23	2025-12-13	Contrastive virtual staining enhances deep learning-based PDAC subtyping from H&E-stained tissue cores 2026-Jan, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.6491 PMID:41188199	研究论文	本研究提出了一种基于对比学习的CycleGAN框架，用于从H&E染色组织切片生成虚拟IHC图像，以增强胰腺导管腺癌（PDAC）亚型分类的准确性	引入了对比学习启发的半配对数据集训练方法，显著提升了虚拟染色图像在诊断相关特征上的质量，而非仅关注图像质量指标	未明确说明模型在外部验证集上的泛化能力，以及临床部署的实际可行性	开发一种从常规H&E切片生成高质量虚拟IHC图像的方法，以简化PDAC亚型诊断流程	胰腺导管腺癌（PDAC）组织样本	数字病理学	胰腺癌	虚拟染色、免疫组织化学（IHC）染色、苏木精-伊红（H&E）染色	GAN	病理图像	NA	NA	CycleGAN	F1分数	NA
24	2025-12-13	Prediction of neoadjuvant therapy response to HER2-positive and triple-negative breast cancer: a multicenter proof-of-concept study 2026-Jan, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109130 PMID:41135295	研究论文	本研究开发了一个基于乳腺X线摄影、多参数MRI和临床特征的深度学习框架，用于预测HER2阳性和三阴性乳腺癌患者新辅助治疗后的病理完全缓解	提出了一种结合多模态影像（ADC、DCE-MRI、SPAIR T2WI、DWI、CC、MLO）和临床特征的融合模型，用于预测乳腺癌新辅助治疗反应	回顾性研究，样本量相对有限（359例），且仅来自两个机构，可能存在选择偏倚	预测HER2阳性和三阴性乳腺癌患者新辅助治疗后的病理完全缓解	HER2阳性和三阴性乳腺癌患者	数字病理	乳腺癌	乳腺X线摄影，多参数MRI（包括ADC、DCE-MRI、SPAIR T2WI、DWI）	深度学习	影像（乳腺X线摄影、MRI），临床特征	359名乳腺癌患者（来自两个机构）	NA	DenseNet169-CBAM, Multi-Layer Perceptron	AUC, 准确率, 敏感性, 特异性	NA
25	2025-12-13	Uncertainty- and hardness-weighted loss functions for medical image segmentation 2026-Jan-01, Engineering applications of artificial intelligence IF:7.5Q1 DOI:10.1016/j.engappai.2025.113118 PMID:41383559	研究论文	本文提出了一种用于医学图像分割的新型不确定性/难度加权损失函数，通过概率引导不确定性权重和区域增强难度权重来提升分割精度	提出了两种像素级加权方案（概率引导不确定性权重和区域增强难度权重），能够根据预测不确定性和像素难度动态调整损失函数，特别关注边界区域的分割精度	未明确说明计算复杂度增加的具体程度，也未在更多样化的医学图像数据集上进行验证	改进医学图像分割的损失函数设计，通过加权机制减少分割误差	医学图像中的二维和三维目标分割	计算机视觉	青光眼、心血管疾病（心房分割）	深度学习	CNN, Transformer	医学图像（视网膜眼底图像、OCT图像、心脏MRI图像）	四个公开数据集（REFUGE、RETA、OCT、ASC），具体样本数量未明确说明	PyTorch（根据代码仓库推断）	Swin-Unet, V-Net	未在摘要中明确列出具体指标，但暗示了与CE损失和Dice损失的比较	未明确说明
26	2025-12-13	Fast operating room scattered radiation calculation in x-ray guided interventions by using deep learning 2025-Dec-12, Journal of radiological protection : official journal of the Society for Radiological Protection IF:1.4Q3 DOI:10.1088/1361-6498/ae268e PMID:41330002	研究论文	本研究提出了一种结合蒙特卡洛模拟和深度学习的方法，用于实时估计X射线引导手术中的三维散射辐射	创新性地将蒙特卡洛模拟与深度学习结合，实现快速三维散射辐射估计，适应多种临床场景	未提及具体局限性	提高X射线引导手术中医护人员的安全性，通过实时监测散射辐射	手术室中的散射辐射	医学影像分析	NA	蒙特卡洛模拟，深度学习	神经网络	患者形态和成像参数	未提及具体样本数量	未提及	未指定	平均绝对百分比误差，全局平均器官剂量误差	NVIDIA RTX 2080 GPU
27	2025-12-13	Lightweight deep learning models for EEG decoding: a review 2025-Dec-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ae2717 PMID:41330041	综述	本文系统综述了用于脑电图信号分类的轻量级深度学习模型	首次系统性地将轻量级深度学习模型在EEG解码中的应用方法归纳为三大策略：基于多尺度特征融合的信息整合策略、隐藏层优化策略以及基于结构优化的混合改进策略	作为综述文章，未提出新的模型或算法，主要对现有研究进行归纳总结	探讨轻量级深度学习模型在脑机接口系统中脑电图信号分类的应用，旨在满足便携式或实时系统的实际需求	脑电图信号	机器学习	NA	脑电图	深度学习模型	脑电图信号	NA	NA	NA	NA	NA
28	2025-12-13	An Interpretable Hybrid AI Model for Breast Fine Needle Aspiration Cytology Image Classification 2025-Dec-12, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02267-z PMID:41381926	研究论文	本文提出了一种用于乳腺细针穿刺细胞学图像分类的可解释混合AI模型	探索了18种混合架构，结合深度学习特征提取器与机器学习分类器，并利用Grad-CAM实现模型可解释性，获得了95%的临床验证率	研究为概念验证性质，数据来源于两个中心，样本量相对有限	开发一种高精度、可解释的混合AI模型，用于乳腺细针穿刺细胞学图像的二元分类	乳腺细针穿刺细胞学图像	数字病理学	乳腺癌	细针穿刺细胞学	混合模型	图像	原始数据集427张图像（152张良性，275张恶性），数据增强后扩展至2866张图像（1216张良性，1650张恶性）	NA	Inception-V3, MobileNet-V2, DenseNet-121, Support Vector Machine, Decision Tree, k-Nearest Neighbours	准确率, 灵敏度, 特异性	NA
29	2025-12-13	CLAP-HMM: a biologically constrained deep learning framework for resistance gene prediction in long DNA sequences 2025-Dec-12, BMC biotechnology IF:3.5Q2 DOI:10.1186/s12896-025-01086-x PMID:41382144	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
30	2025-12-13	Beyond Implicit Mapping: Advancing Generative Models Through Smoothed Optimal Transport 2025-Dec-11, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3638632 PMID:41379885	研究论文	本文提出了一种通过平滑最优传输来提升生成模型的方法，以解决传统模型中映射关系隐式化的问题	引入Nesterov平滑技术平滑Brenier势能，从而推导出显式最优传输映射，构建了更先进的生成模型	未在摘要中明确说明	提升生成模型的解释性和条件生成能力，同时提高生成效率	生成模型中的最优传输映射	机器学习	NA	最优传输（OT）、Nesterov平滑技术	生成模型	NA	NA	NA	NA	NA	NA
31	2025-12-13	Clinically Generalizable Low-Dose CT Denoising for Pediatric Imaging via Enhanced Diffusion Posterior Sampling 2025-Dec-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3642922 PMID:41379899	研究论文	本文提出了一种增强的扩散后验采样框架，用于儿科低剂量CT图像的降噪，以提升临床泛化能力	提出结合一步去噪U-Net与无条件扩散模型的E-DPS框架，利用U-Net提供结构约束，扩散模型增强真实感与泛化性，并引入中间阶段初始化策略以减少采样步数	未明确说明在极低剂量或运动伪影严重情况下的性能，以及模型在不同医疗机构设备间的泛化能力验证	开发一种具有强临床泛化能力的低剂量CT图像降噪方法，以减少儿科患者的辐射暴露	儿科患者的全身正电子发射断层扫描与计算机断层扫描（PET/CT）图像	计算机视觉	儿科疾病	计算机断层扫描（CT）	扩散模型, U-Net	医学图像（CT图像）	NA	NA	U-Net	峰值信噪比（PSNR）	NA
32	2025-12-13	Graph Attention Fusion With Kolmogorov-Arnold Network for Drug-Gene Interaction Prediction 2025-Dec-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3625672 PMID:41379905	研究论文	提出一种结合图注意力融合与Kolmogorov-Arnold网络的方法dgKAN，用于预测药物-基因相互作用	通过构建可解释的KAN网络解析药物-基因关系中的异构注意力相互影响，并融合全局与局部注意力机制	NA	预测药物-基因相互作用以辅助疾病治疗的药物开发	药物与基因	机器学习	NA	NA	Transformer, GNN	图数据	NA	NA	Transformer, GNN, KAN	NA	NA
33	2025-12-13	Reinforcement Learning-based Sequential Parameter Tuning for Image Signal Processing 2025-Dec-11, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3642837 PMID:41379910	研究论文	本文提出了一种基于强化学习的图像信号处理参数优化模型，用于自动调整硬件ISP参数以生成高质量RGB图像	首次将硬件ISP参数调优建模为序列优化问题，并引入单智能体强化学习和协作多智能体强化学习框架，探索ISP模块序列结构和参数耦合关系对调优过程的影响	未明确说明模型在极端光照或噪声条件下的鲁棒性，且训练数据需求虽少但具体数据量未详细说明	优化硬件图像信号处理参数调优过程，提高图像质量并适应不同下游任务	硬件ISP模块及其可调参数	计算机视觉	NA	强化学习	强化学习	图像	NA	NA	SARL-ISP, MARL-ISP	定量指标, 定性评估	NA
34	2025-12-13	A Multi-modal Contrastive Learning Framework for Cyclic Peptide Permeability Prediction 2025-Dec-11, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643437 PMID:41379908	研究论文	本文提出了一个名为MCPerm的多模态深度学习框架，通过整合1D SMILES、2D拓扑和3D几何信息来预测环肽的细胞膜渗透性	提出了一种新颖的多模态共享和对比学习策略，通过微调预训练的肽语言模型、使用参数共享图变换器以及双对比学习机制，实现了模态内和模态间的表示一致性，从而提升了预测准确性	未明确提及模型在更大规模或更复杂数据集上的泛化能力，以及计算资源消耗的具体分析	开发一个计算框架以准确预测环肽的细胞膜渗透性，从而加速可渗透细胞膜的环肽药物的理性设计与发现	环肽分子	机器学习	NA	深度学习，对比学习	Transformer	SMILES序列，拓扑结构，几何结构	基于基准PAMPA数据集及三个独立测定数据集（Caco-2, MDCK, RRCK），具体样本数量未明确说明	未明确指定，可能涉及PyTorch或TensorFlow	图变换器，预训练肽语言模型	未明确列出具体指标，但提及达到了最先进的性能	未明确说明
35	2025-12-13	Unveiling Fine-grained Deceptive Patterns in Multi-modal Fake News: An Explainable Neuro-Symbolic Framework with LVLMs 2025-Dec-11, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3642831 PMID:41379920	研究论文	本文提出了一种可解释的神经符号框架GE-NSLM，用于检测多模态假新闻并揭示其背后的细粒度欺骗模式	从解释假新闻如何被制造的角度出发，首次定义了四种欺骗模式，并提出了结合大型视觉语言模型与符号逻辑规则的神经符号潜在模型	未明确说明模型在跨领域或新兴欺骗模式上的泛化能力，也未讨论计算效率问题	开发一种既能准确检测多模态假新闻，又能提供可解释性洞察（即欺骗模式）的方法	多模态（图文）假新闻	自然语言处理,计算机视觉	NA	大型视觉语言模型,变分推断,弱监督学习	神经符号模型,潜在变量模型	多模态数据（图像和文本）	NA	NA	GE-NSLM（神经符号潜在模型）	竞争性性能（具体指标未说明）	NA
36	2025-12-13	A deep learning approach for time-consistent cell cycle phase prediction from microscopy data 2025-Dec-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013800 PMID:41379930	研究论文	本文提出了一种基于深度学习的细胞周期阶段预测方法，利用SiR-DNA荧光标记数据，无需专用细胞周期标记即可实现高精度分类	提出CC-VAE模型，结合变分自编码器与辅助任务（预测相特异性标记平均强度和通过潜在空间正则化强制时间一致性），首次从广泛使用的DNA标记中推断细胞周期阶段	方法依赖于SiR-DNA标记数据，可能不适用于其他标记或成像条件；模型在HeLa Kyoto细胞系上验证，泛化能力需进一步测试	开发一种无需专用细胞周期标记的细胞周期阶段预测方法，以释放荧光通道用于其他报告基因	HeLa Kyoto细胞的核图像	计算机视觉	NA	荧光显微镜成像	变分自编码器	图像	超过600,000张标记的HeLa Kyoto核图像	NA	变分自编码器	准确率	NA
37	2025-12-13	Interpretable Deep Learning for Enhanced Multi-Class Classification of Gastrointestinal Endoscopic Images 2025-Dec-11, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae2b72 PMID:41380180	研究论文	本文提出了一种基于EfficientNetB3的增强型深度学习方法，用于提高胃肠道内窥镜图像的多分类准确性，并利用LIME可解释性技术提升模型透明度	在无需数据增强的情况下，通过优化模型架构实现了高分类精度，并首次将LIME可解释性技术与Gradio用户界面结合，提升了医疗影像应用的实用性和可访问性	研究仅基于Kvasir数据集，样本量相对有限，且未在外部数据集上进行验证，可能影响模型的泛化能力	提高胃肠道内窥镜图像的多分类准确性，并增强深度学习模型在医疗影像中的可解释性和实际应用性	胃肠道内窥镜图像	计算机视觉	胃肠道疾病	内窥镜成像	CNN	图像	8000张标记的内窥镜图像	TensorFlow, PyTorch	EfficientNetB3	准确率, 精确率, 召回率	NA
38	2025-12-13	A Transformer-Based Deep Learning Approach to Predicting Air Organic Pollutant-Human Protein Interactions 2025-Dec-11, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c12915 PMID:41381047	研究论文	本文提出了一种基于Transformer的深度学习模型tipFormer，用于预测空气有机污染物与人类蛋白质之间的相互作用	结合双预训练语言模型编码蛋白质和有机污染物，并利用交叉注意力机制学习污染物-蛋白质结合的复杂相互作用模式	当前方法在系统性识别新兴空气污染物早期结合事件方面存在局限，可能影响污染相关毒性的机制理解和风险评估	预测空气有机污染物与人类蛋白质的相互作用，以增强对空气污染相关毒性分子机制的理解	空气有机污染物与人类蛋白质	自然语言处理	NA	基因组范围转录组分析	Transformer	文本	使用暴露于三种代表性空气污染物的人类支气管上皮细胞进行转录组分析	NA	Transformer	AUC	NA
39	2025-12-13	Enhanced Spinal Cord Lesion Detection in MS Using White-Matter-Nulled 3D MPRAGE with Deep Learning Reconstruction 2025-Dec-11, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8950 PMID:41381352	研究论文	本研究评估了结合深度学习去噪的3D白质抑制MPRAGE序列在检测多发性硬化症脊髓病灶中的诊断性能，并与传统MRI序列进行比较	首次将深度学习去噪技术与3D白质抑制MPRAGE序列结合，显著提高了脊髓病灶的检测能力	样本量较小（38例患者），且仅使用3T MRI设备，未评估其他场强设备的表现	评估新型成像技术（3D WMn MPRAGE结合深度学习）在多发性硬化症脊髓病灶检测中的诊断性能	多发性硬化症或临床孤立综合征患者的脊髓MRI影像	医学影像分析	多发性硬化症	3T脊髓MRI，包括2D T2加权FSE、2D STIR、3D MPRAGE和3D白质抑制MPRAGE序列	深度学习去噪模型	医学影像（MRI）	38例患者	NA	NA	病灶计数、检测置信度、图像质量评分、对比噪声比、组间一致性	NA
40	2025-12-13	Biologically-informed integration of drug representations for breast cancer treatment using deep learning 2025-Dec-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66384-6 PMID:41381442	研究论文	本研究开发了一种名为GDnet的可解释深度学习模型，通过整合药物表征和肿瘤转录组数据来预测乳腺癌新辅助治疗反应，并辅助选择最优治疗策略	首次提出将生物学信息的药物表征与肿瘤转录组数据整合的深度学习模型，能够作为数字药物测试替代方案优化治疗决策	研究基于回顾性数据，需要前瞻性临床试验验证；模型在泛癌种应用潜力有待进一步探索	预测乳腺癌新辅助治疗反应并优化个性化治疗策略选择	乳腺癌患者	数字病理学	乳腺癌	转录组测序	深度学习	基因表达数据, 药物表征数据	4371名符合条件的患者，来自31个数据集	NA	GDnet	病理完全缓解率, 比值比	NA